python常用的爬虫技巧总结

用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。

爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。

1、基本抓取网页

get方法

import urllib2
url = “http://www.baidu.com”
response = urllib2.urlopen(url)
print response.read()

post方法

import urllib
import urllib2
url = “http://abcde.com”
form = {‘name’:’abc’,’password’:’1234′}
form_data = urllib.urlencode(form)
request = urllib2.request(url,form_data)
response = urllib2.urlopen(request)
print response.read()

2、使用代理ip

在开发爬虫过程中经常会遇到ip被封掉的情况,这时就需要用到代理ip;

在urllib2包中有proxyhandler类,通过此类可以设置代理访问网页,如下代码片段:

import urllib2
proxy = urllib2.proxyhandler({‘http’: ‘127.0.0.1:8087’})
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response = urllib2.urlopen(‘http://www.baidu.com’)
print response.read()

3、cookies处理

cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密),python提供了cookielib模块用于处理cookies,cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问internet资源.

代码片段:

import urllib2, cookielib
cookie_support= urllib2.httpcookieprocessor(cookielib.cookiejar())
opener = urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content = urllib2.urlopen(‘http://xxxx’).read()

关键在于cookiejar(),它用于管理http cookie值、存储http请求生成的cookie、向传出的http请求添加cookie的对象。整个cookie都存储在内存中,对cookiejar实例进行垃圾回收后cookie也将丢失,所有过程都不需要单独去操作。

手动添加cookie

cookie = “phpsessid=91rurfqm2329bopnosfu4fvmu7;
kmsign=55d2c12c9b1e3;
kmu
request.add_header(“cookie”, cookie)

4、伪装成浏览器

某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现http error 403: forbidden的情况

对有些 header 要特别留意,server 端会针对这些 header 做检查

1.user-agent 有些 server 或 proxy 会检查该值,用来判断是否是浏览器发起的 request

2.content-type 在使用 rest 接口时,server 会检查该值,用来确定 http body 中的内容该怎样解析。

这时可以通过修改http包中的header来实现,代码片段如下:

import urllib2
headers = {
‘user-agent’:’mozilla/5.0 (windows; u; windows nt 6.1; en-us; rv:1.9.1.6) gecko/20091201 firefox/3.5.6′
}
request = urllib2.request(
url = ‘http://my.oschina.net/jhao104/blog?catalog=3463517’,
headers = headers
)
print urllib2.urlopen(request).read()

5、页面解析

对于页面解析最强大的当然是正则表达式,这个对于不同网站不同的使用者都不一样,就不用过多的说明,附两个比较好的网址:

正则表达式入门:http://www.jb51.net/article/18526.htm

正则表达式在线测试:http://tools.jb51.net/regex/javascript

其次就是解析库了,常用的有两个lxml和beautifulsoup,对于这两个的使用介绍两个比较好的网站:

lxml:http://www.jb51.net/article/67125.htm

beautifulsoup:http://www.jb51.net/article/43572.htm

对于这两个库,我的评价是,都是html/xml的处理库,beautifulsoup纯python实现,效率低,但是功能实用,比如能用通过结果搜索获得某个html节点的源码;lxmlc语言编码,高效,支持xpath

6、验证码的处理

对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如12306,可以通过打码平台进行人工打码,当然这是要付费的。

7、gzip压缩

有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多web服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 xml web 服务,因为 xml 数据 的压缩率可以很高。

但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。

于是需要这样修改代码:

import urllib2, httplib
request = urllib2.request(‘http://xxxx.com’)
request.add_header(‘accept-encoding’, ‘gzip’) 1
opener = urllib2.build_opener()
f = opener.open(request)

这是关键:创建request对象,添加一个 accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据

然后就是解压缩数据:

import stringio
import gzip
compresseddata = f.read()
compressedstream = stringio.stringio(compresseddata)
gzipper = gzip.gzipfile(fileobj=compressedstream)
print gzipper.read()

8、多线程并发抓取

单线程太慢的话,就需要多线程了,这里给个简单的线程池模板 这个程序只是简单地打印了1-10,但是可以看出是并发的。

虽然说python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。

from threading import thread
from queue import queue
from time import sleep
# q是任务队列
#num是并发线程总数
#jobs是有多少任务
q = queue()
num = 2
jobs = 10
#具体的处理函数,负责处理单个任务
def do_somthing_using(arguments):
print arguments
#这个是工作进程,负责不断从队列取数据并处理
def working():
while true:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork num个线程等待队列
for i in range(num):
t = thread(target=working)
t.setdaemon(true)
t.start()
#把jobs排入队列
for i in range(jobs):
q.put(i)
#等待所有jobs完成
q.join()

Posted in 未分类

发表评论